AI Weekly：机器学习在气候变化中的作用

 
气候变化是当今人类面临的最存在的威胁，人工智能可以以前所未有的方式解决问题。只有使用后者来对前者进行工作才有意义。那是NeurIPS 2019的一个重要子主题，尤其是在应对气候变化研讨会上得到了强调，机器学习的一些著名领导者的讲话表明，机器学习领域可以并且应该专注于此。
有两个重点：一是敦促机器学习从业人员使用他们的研究成果来解决气候变化问题。另一个是关于确保进行研究本身不会讽刺性地促进气候变化。
首先，著名的ML领袖(包括Yoshua Bengio，Jeff Dean，Andrew Ng和Carla Gomes)所做的上述演讲涵盖了很多基础。他们讨论了机器学习研究人员应如何专注于解决气候变化等巨大挑战，而不是过度关注自己所获得的出版物数量。他们建议使用能效更高的机器学习技术，例如使用较小的数据集和使用转移学习，自我监督学习和多任务学习来获得准确的结果。他们提倡与机器学习领域以外的人一起应对气候变化。
第二个重点对机器学习的研究人员和从业人员提出了另一种挑战。本质上，这个想法是，尽管如此，许多人都专注于实现结果，但是由于运行模型需要大量计算，因此这样做会消耗大量能量。迪恩在NeurIPS接受采访时对VentureBeat表示：“其中一些大型模型需要大量计算，并且在能源使用方面也相当昂贵。”他补充说：“因此，我认为对于社区而言，重要的是要研究可以使用哪些更有效的算法技术来生成所需的特定模型或结果。”
作为一种问责制和认真的ML练习者测量其碳排放的方式，一群研究人员创建了ML CO2 Impact，这是一种机器学习排放计算器。亚历山大·拉科斯特(Alexandre Lacoste)等人的论文出自“量化机器学习的碳排放量”一书。创建了一个计算器，以引起人们对机器学习培训的碳影响的关注。
计算器具有简单的基于Web的界面。您可以选择硬件类型(Tesla V100，Titan V等)，要使用的小时数，提供程序(Google Cloud，Amazon Web Services等)，甚至地区。然后，“计算”按钮坐在那里，几乎威胁您单击它。当您鼓起勇气这样做时，计算器将吐出如下结果：
ML排放计算器结果
它告诉您您的项目将排放多少碳，供应商将抵消其中的多少(如果有)。您可以看到计算器使用的公式，它为更有效的配置提供了建议-在这种情况下，如果仅在不同的地理区域中运行该模型，则碳排放量将大大降低。
这样的计算器对于从事ML的人员来说既可以是有用的工具，又可以在哲学上提醒他们对其工作承担的责任。其他研究人员正在寻求在不牺牲准确性的情况下更有效地执行这项工作的方法。
2017年的一篇论文《深度神经网络的高效处理：教程和调查》提出了减少深度神经网络(DNN)的计算需求的一些方法，包括更改硬件设计，更改硬件设计协作，以及算法本身的变化。它还说明了一些可用的基准和比较指标，并探讨了一些可用的技术。
该论文的第一作者，麻省理工学院电气工程和计算机科学教授Vivienne Sze作了幻灯片演示，介绍了该团队在NeurIPS 2019上的工作，该工作可全部公开获得。她说即将成为一本书。该团队还有一个名为Accelergy的计算器，可帮助研究人员和从业人员估算其加速器设计的能耗。
有很多方法可以推动更高效的机器学习。在Facebook AI的Yann LeCun关于AR眼镜是机器学习的理想挑战的断言的基础上，VentureBeat高级AI作家Khari Johnson提出了来自NeurIPS的大量资源和建议。它们包括但不限于在边缘设备上快速部署的工具，用于深度神经网络的量化，为机器学习项目创建每瓦计算标准的想法(来自英特尔AI GM Naveen Rao)，适应行业水平的能源对计算机科学家的分析，以及建议将项目的碳足迹纳入学术论文的建议。
通常，除了道德上的动力来应对气候变化并提高机器学习研究和培训的效率外，这样做还有一些实际的财务原因。
在早些时候接受VentureBeat采访时，eBay副总裁兼AI和平台首席架构师Sanjeev Katariya谈到了为什么对AI负责具有商业意义。该公司的Krylov AI平台需要大量资源，他说效率低下无益。如果缺乏Krylov的设计，他说：“我们将在整个地方复制数据，在整个地方产生重复数据，并且我们将无法高效地运行模型，构建模型以及跨领域协作我们的模型。因此，黑匣子系统，孤立的系统会浪费资源，就像没有明天一样。”
Katariya好像在实时编写自己的标语一样，总结道：“要高效。放聪明点。少用。多做。”
这很容易卖出：使用您的AI平台和功能可以使您的业务流程更高效，花费更少的钱，同时提供更好的产品或服务。这就是双赢的定义。
考虑到环境效益，这实际上是双赢。这就是这种挑战的强大优势，因为我们在一起。当涉及到气候变化时，要么我们都赢了，要么我们都输了。
它的一些领导者已将这个挑战投向了机器学习领域：解决您工作中的气候变化，并且在这样做时不要助长问题。